能量、方差以及 小波系数数据，同样地将这些数据融合后，作为该振动信号的特征向量；
[0025] (9)使用粗糙集理论对振动信号的特征向量进行特征约简，通过对决策表进行条 件属性约简、决策规则约简，获取最小决策规则，作为最终分类规则；
[0026] (10)根据粗糙集约简后的规则，设计和训练对向传播神经网络，训练成功后，获取 振动信号的故障模式分类器；
[0027] (11)进入故障决策融合阶段，按S3获取的信号的特征向量作为输入，利用步骤 (6)训练好的神经网络故障分类器获取故障结果，同时按步骤（8)获取的振动信号的特征 向量利用步骤（10)获得的振动信号的故障模式分类器进行诊断，获取诊断结果；最后，将 这两种不同信号的诊断结果进行D-S决策融合，最终融合结果即为诊断结果；
[0028] (12)最后，基于MATLAB语言，采用⑶I设计方法，设计故障诊断信号处理平台；技 术人员可通过简单操作，获取当前机组运行参数，及时做出故障判断，并且可以保存当前数 据，查看历史数据。
[0029] 本发明的有益效果是：
[0030] 1、利用多种传感器采集热栗机组在运行过程的压力、温度、流量等参数，并利用振 动传感器采集机组的振动信号，以此来全面掌握空气源热栗机组的设备状态。
[0031] 2、联合多种智能技术方法，综合运用智能技术各自的优点，扬长避短，对空气源热 栗机组进行状态监测、故障诊断与智能预示，能够有效地提高监测诊断系统的敏感性和精 确性，降低误诊率和漏诊率。
[0032] 3、基于MATLAB语言，采用⑶I设计方法，设计出了方便使用的信号处理平台。在 不用理解系统机理和分析数据的情况下，为一般的操作人员提供准确的诊断决策。
【附图说明】
[0033] 下面结合附图和实施例对本发明作进一步说明。
[0034] 图1是本发明基于热栗机组的多传感器信号分析的故障诊断系统的示意图。
[0035] 图2是多传感器故障诊断模型。
[0036] 图3是本发明中设计的BP神经网络结构图。
[0037] 图4是粗糙集属性约简算法流程框图。
[0038] 图5是热栗机组故障诊断系统的主界面。
[0039] 以上图中各个标号：P1-高压，P2-低压，P3-冷凝温度，P4-蒸发温度，P5-吸气过 热温度，P6-液体过冷温度，P7-排气温度和P8-通过冷凝器的水流温差。T1-无故障，T2-制 冷剂泄露，Τ3-压缩机排气阀泄露，Τ4-液体管路受阻，Τ5-冷凝器结垢，Τ6-蒸发器结垢。
【具体实施方式】
[0040] 首先将机组某一时刻运行的参数包括温度、压力等数据融合成这一时刻的特征向 量，获取多个时刻或是多个机械状态的多个传感器数据，得出故障与征兆之间的关系，根据 不同的故障征兆来完成模式映射过程。以此作为ΒΡ神经网络的训练集，确定ΒΡ神经网络的 输入层节点数、输出层节点数，并根据经验公式A= + 〃确定隐含层节点数。空气源热 栗机组的常见软故障有：制冷剂泄露、压缩机排气阀泄露、液体管路受阻、冷凝器结垢和蒸 发器结垢。首先确定网络的输入样本数据和目标输出。对于热栗机组来说有8个特征量： 高压Ρ1，低压Ρ2,冷凝温度Ρ3,蒸发温度Ρ4,吸气过热温度Ρ5,液体过冷温度Ρ6,排气温度 Ρ7和通过冷凝器的水流温差Ρ8。通过仿真试验获得的数据作为输入，输出为无故障Τ1，制 冷剂泄露Τ2,压缩机排气阀泄露Τ3,液体管路受阻Τ4,冷凝器结垢Τ5和蒸发器结垢Τ6。然 后确定网络结构。采用ΒΡ神经网络进行故障诊断。设计ΒΡ网络的输入层节点数为8,输出 层节点数为6,确定隐含层节点数为13。确定ΒΡ神经网络的结构为8-13-6。其结构图如图 3〇
[0041] 但因为ΒΡ网络容易陷入局部极小，从而在训练过程中达不到想要的训练结果。神 经网络自身存在一些缺陷和不足，需要对其进行优化。由于遗传算法具有全局搜索能力和 较强的鲁棒性，可以加强网络训练和提高网络性能，更容易找到全局最优解。因此，利用遗 传算法来优化ΒΡ神经网络的初始值和阈值。ΒΡ神经网络训练前各层的初始连接权值及阈 值为[0, 1]之间的随机值，这种未优化的随机值会使ΒΡ神经网络的收敛速度变慢，且容易 使最终结果为非最优解。遗传算法优化ΒΡ神经网络的基本思想为：采用遗传算法对ΒΡ神 经网络的初始权值和阈值分布进行优化，通过选择、交叉和变异操作找到ΒΡ神经网络的最 优权值和阈值。利用新的权值和阈值进行训练ΒΡ神经网络，可得到较好的训练结果。
[0042] 同时，将上述多个机械状态下的振动信号进行处理。在热栗机组无故障Τ1、故障 Τ2~Τ6模式下利用振动传感器进行振动信号的采集，采用小波包分析算法对振动信号进 行分解，提取各个波形的特征向量。小波包分解遵循能量守恒定理，每个频带的信号就代表 了原始信号在该频率段内的信息。小波包有较高的分辨率，对信号实现深层分解后，求取特 定频带的能量值，利用求得的特征值构成诊断特征向量。信号的小波包分解可以用多种小 波包基实现，可以通过花费代价函数求取一个最佳小波包基。信号的特征可以用小波包系 数体现，系数的大小可以表征该小波包基内的信息对信号的贡献大小。这里采用Shannon 嫡标准作为花费代价函数求取最佳小波包基。
[0043] 小波包分解提取的原始特征中可能存在一部分的冗余特征，而冗余特征会使得后 期故障分类更为复杂，对分类精度也存在影响。因此，有必要对提取的特征进行约简和选 择，在不丢失故障信息的情况下，选取敏感特征作为分类器的输入。约简是利用粗糙集理 论，通过对决策表进行条件属性约简、决策规则约简，获取最小决策规则，作为最终分类规 贝1J。粗糙集属性约简算法流程框图如图4。将这些约简后的特征向量与相应的故障模式作 为分类器的训练集，确定分类器结构。
[0044] 进入故障决策融合阶段，使用Dempster-Shafer(简称D-S)证据理论融合算法进 行融合。决策级融合的核心思想是，各传感器根据各自的观测结果做出局部判决，然后将 判决结果经由通信信道传送到融合中心，再由融合中心对各局部判决进行综合处理，做出 最终判决。假设辨识框架Ω下两组证据EJPE2，对应的基本信任分配函数分别为mJPm2， 焦元分别为AjPBj，D-S合成规则为：
[0045]
[0046]利用D-S合成规则可以结合若干条独立的证据。与单一集合独立处理相比，信息 融合可以提高决策结果的可信度，同时降低推理模糊程度，提高探测精度，提高空间分辨 率，并且能够增强系统的容错能力和自适应性，从而提高全系统性能。最终融合结果即为诊 断结果。
[0047] 最后，基于MATLAB语言，采用⑶I设计方法，设计故障诊断信号处理平台。技 术人员可通过简单操作，获取当前机组运行参数，及时做出故障判断，并且可以保存当前数 据，查看历史数据。其主界面如图5。
[0048]本发明以某空气源热栗机组为研究对象，利用多种传感器采集热栗机组在运行过 程的压力、温度、流量等参数，并利用振动传感器采集机组的振动信号，以此来全面掌握空 气源热栗机组的设备状态。在